Sök i programutbudet

Använd sökfunktionen för att leta efter kurser och program i Chalmers utbildningsutbud. Den programplan och utbildningsplan som avser dina studier är i allmänhet från det läsår du började dina studier.

​​​​​​​​​​​​​

Kursplan för

Läsår
DAT405 - Introduktion till data science och AI  
Introduction to data science and AI
 
Kursplanen fastställd 2020-02-20 av programansvarig (eller motsvarande)
Ägare: MPDSC
7,5 Högskolepoäng
Betygskala: TH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd
Utbildningsnivå: Grundnivå
Huvudområde: Informationsteknik, Matematik
Institution: 37 - DATA- OCH INFORMATIONSTEKNIK


Kurstillfälle 1


Undervisningsspråk: Engelska
Anmälningskod/tillfälleskod: 87111
Sökbar för utbytesstudenter: Nej
Endast studenter med kurstillfället i programplan

Modul   Poängfördelning   Tentamensdatum
Lp1 Lp2 Lp3 Lp4 Sommarkurs Ej Lp
0119 Inlämningsuppgift 7,5hp Betygskala: TH   7,5hp    

I program

MPDSC DATA SCIENCE OCH AI, MASTERPROGRAM, Årskurs 1 (obligatorisk)

Examinator:

Marina Axelson-Fisk

  Gå till kurshemsida


Kurstillfälle 2


Undervisningsspråk: Engelska
Anmälningskod/tillfälleskod: 87116
Sökbar för utbytesstudenter: Ja
Blockschema: D

Modul   Poängfördelning   Tentamensdatum
Lp1 Lp2 Lp3 Lp4 Sommarkurs Ej Lp
0119 Inlämningsuppgift 7,5hp Betygskala: TH   7,5hp    

I program

TKITE INFORMATIONSTEKNIK, CIVILINGENJÖR, Årskurs 3 (valbar)
TKITE INFORMATIONSTEKNIK, CIVILINGENJÖR, Årskurs 2 (valbar)
TIDAL DATATEKNIK, HÖGSKOLEINGENJÖR - AI - Maskininlärning, Årskurs 3 (obligatorisk)
TKAUT AUTOMATION OCH MEKATRONIK, CIVILINGENJÖR, Årskurs 3 (valbar)
MPALG DATAVETENSKAP - ALGORITMER, PROGRAMSPRÅK OCH LOGIK, MASTERPROGRAM, Årskurs 1 (valbar)
MPEPO ELKRAFTTEKNIK, MASTERPROGRAM, Årskurs 2 (valbar)

Examinator:

Claes Strannegård

  Gå till kurshemsida


Kurstillfälle 3


Undervisningsspråk: Engelska
Anmälningskod/tillfälleskod: 87117
Sökbar för utbytesstudenter: Ja

Modul   Poängfördelning   Tentamensdatum
Lp1 Lp2 Lp3 Lp4 Sommarkurs Ej Lp
0119 Inlämningsuppgift 7,5hp Betygskala: TH   7,5hp    

I program

MPHPC HÖGPRESTERANDE DATORSYSTEM, MASTERPROGRAM, Årskurs 1 (valbar)
TKITE INFORMATIONSTEKNIK, CIVILINGENJÖR, Årskurs 2 (valbar)
TKITE INFORMATIONSTEKNIK, CIVILINGENJÖR, Årskurs 3 (valbar)
TKAUT AUTOMATION OCH MEKATRONIK, CIVILINGENJÖR, Årskurs 3 (valbar)
TKDAT DATATEKNIK, CIVILINGENJÖR, Årskurs 3 (valbar)
MPALG DATAVETENSKAP - ALGORITMER, PROGRAMSPRÅK OCH LOGIK, MASTERPROGRAM, Årskurs 1 (valbar)
MPDES TEKNISK DESIGN, MASTERPROGRAM, Årskurs 1 (valbar)
MPEPO ELKRAFTTEKNIK, MASTERPROGRAM, Årskurs 1 (valbar)
MPSOF SOFTWARE ENGINEERING AND TECHNOLOGY - UTVECKLING OCH IMPLEMENTERING AV MJUKVARA, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)

Examinator:

Claes Strannegård

  Gå till kurshemsida


Kurstillfälle 4

 
Undervisningsspråk: Engelska
Anmälningskod/tillfälleskod: 99214
Sökbar för utbytesstudenter: Nej
Max antal deltagare: 50
Endast studenter med kurstillfället i programplan

Modul   Poängfördelning   Tentamensdatum
Lp1 Lp2 Lp3 Lp4 Sommarkurs Ej Lp
0119 Inlämningsuppgift 7,5hp Betygskala: TH   7,5hp    

Examinator:

Claes Strannegård


  Gå till kurshemsida


Behörighet

Grundläggande behörighet för grundnivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Samma behörighet som det kursägande programmet.
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

En kurs i programmering i ett generellt programmeringsspråk (t. ex. C/C++/Java/Python eller liknande) och/eller kännedom om matematisk programvara t.ex. MATLAB från andra kurser.
En kurs i matematik (exempelvis analys, linjär algebra, tillämpat matematiskt tänkande), samt en kurs i matematisk statistik.

Syfte

Kursen ger en bred introduktion till olika tekniker och teorier som används i data science och AI, med särskilt fokus på deras praktiska tillämpningar.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Efter godkänd kurs ska studenten kunna

Kunskap och förståelse
  • beskriva grundläggande problemtyper och tillvägagångssätt inom data science och AI, 
  • ge exempel på tillämpningar av data science och AI från olika sammanhang
  • ge exempel på hur stokastiska modeller och maskininlärning (ML) tillämpas inom data science och AI
  • förklara grundläggande begrepp inom klassisk AI, och förhållandet mellan logiska och datadrivna, ML-baserade tillvägagångssätt inom AI
  • kortfattat beskriva den historiska utvecklingen av AI, vad som är möjligt idag och diskutera möjliga framtida utvecklingen
Färdigheter och förmåga
  • använda lämpliga programmeringsbibliotek och tekniker för att implementera grundläggande transformationer, visualiseringar och analyser av exempeldata
  • identifiera lämpliga typer av analysproblem för några konkreta data science-tillämpningar
  • implementera några typer av stokastiska modeller och tillämpa dem inom data science och AI tillämpningar
  • implementera och/eller använda AI-verktyg för sökning, planering och problemlösning
  • tillämpa enkla maskininlärningsmetoder implementerade i ett standardbibliotek
Värderingsförmåga och förhållningssätt

  • motivera vilka typer av statistiska metoder som är lämpliga for de vanligaste typerna av experiment inom data science tillämpningar 
  • diskutera fördelar och nackdelar hos olika typer av tillvägagångssätt och modeller inom data science och AI
  • reflektera över inneboende begränsningar hos data science metoder och hur felanvändandet av statistiska tekniker kan leda till tvivelaktiga slutsatser
  • kritiskt analysera och diskutera data science och AI tillämpningar med avseende på etik, sekretess och samhällspåverkan
  • uppvisa en reflekterande attityd i all inlärning

Innehåll

Under kursens gång kommer ett brett urval av metoder för Data Science och AI att presenteras. Kursen delas  in i tre delar:

Introduktion till data science
  • Implementation av data science-lösningar med hjälp av Python, grundläggande data-analys och visualisering.
  • Introduktion av data science-processen, och lämplig metodik.
  • Exempel på kärnmetoder inom data science med fallstudier såsom inom klustring, klassificering och regression.
  • Data science satt i sitt sammanhang med avseende på etik, gällande bestämmelser och begränsnigar.
Statistiska metoder för data science och AI
  • Introduktion till några vanliga stokastiska modeller med exempel på tillämpningar inom data science och AI (exempelvis naive Bayes klassiciering, ämnesmodeller (topic models) av text, och dolda Markovmodeller för sekvensdata)
Artificiell Intelligens
  • Introduktion till klassisk AI och maskininlärning, inklusive förhållandet till relaterade områden såsom algoritmer och optimering, och AI-filosofi.
  • Exempel på metoder och tillämpningar inom AI, i klassisk AI (sökning under bivillkor (search and constraint satisfaction), och ML-baserat (sökmotorer, naiv Bayes och neurala nätverk).
  • Diskussion kring etik och samhällspåverkan av AI.

Organisation

Föreläsningar och seminarier samt inlämningsuppgifter som utförs i par. Vanligen ges en inlämningsuppgift per vecka.

Examination inklusive obligatoriska moment

Kursen examineras genom obligatoriska skriftliga inlämningsuppgifter. Obligatoriska föreläsningar och seminarier kan tillkomma och preciseras då i kurs PM.

På kursen ges något av betygen Underkänd, 3, 4, eller 5.

För att få ett godkänt betyg på kursen måste
samtliga obligatoriska moment vara godkända. För att få ett högre betyg än godkänt så krävs ett högre viktat genomsnitt på de obligatoriska momenten. Som
underlag för den individuella betygssättningen redovisar studenterna
skriftligen sina respektive arbetsinsatser inom gruppen.


Sidansvarig Publicerad: on 24 jan 2018.